Contagem de multidões com drones sem anotação: protocolo adaptativo para grandes eventos
O mundo está se preparando para sediar grandes eventos esportivos e culturais, e as tecnologias de gestão de fluxos de pessoas em eventos de massa já estão sendo aprimoradas. Um dos cenários mais complexos são as peregrinações em massa, onde milhões de fiéis se reúnem anualmente. Para tais eventos, não bastam apenas drones com câmeras; são necessários sistemas inteligentes capazes de avaliar a densidade da multidão em tempo real e alertar antecipadamente sobre o risco de esmagamentos.
O problema é que os modelos padrão de contagem de pessoas são treinados com determinados dados, mas na realidade enfrentam outros: ângulo diferente, iluminação, densidade e movimento. Anotar manualmente cada novo quadro é caro e lento demais. Por isso, pesquisadores buscam maneiras de adaptar os modelos em tempo real, sem pistas externas. É a essa tarefa que se dedica um trabalho recente no arXiv (2608.17625), cujos autores propuseram um protocolo completo para a implantação segura de tais sistemas em condições de aglomerações em massa.
Como fazer o modelo funcionar em quadros desconhecidos
A ideia-chave é a adaptação sem anotação. O próprio modelo se ajusta ao novo fluxo de vídeo, usando apenas os quadros, sem qualquer anotação. Os autores realizaram 525 execuções controladas e testaram a abordagem em quatro tipos de distorções e cinco níveis de severidade. Descobriu-se que a adaptação recupera de 31 a 49 por cento do erro introduzido pela mudança de domínio — ou seja, a diferença entre os dados de treinamento e os reais. O melhor método reduz o erro absoluto em 41,8 pontos em comparação com o modelo original congelado, e o resultado é estatisticamente significativo (p=7,5×10⁻¹⁰).
Mas não é apenas a qualidade média que importa. Os pesquisadores derivaram uma lei de severidade que divide os métodos em duas categorias: aqueles que proporcionam uma margem absoluta constante de precisão e aqueles cuja margem cresce à medida que a cena se torna mais complexa. Na prática, isso significa que é possível calcular antecipadamente um orçamento de estabilidade — entender qual configuração do algoritmo é segura para operar em voo real e qual começará a perder qualidade em quadros excessivamente complexos.
Além disso, os autores testaram o modelo em um corpus em escala real com imagens aéreas reais. O modelo original, ajustado até um erro de validação de 14,6, apresentou um MAE 48 pontos pior nos quadros reais. A adaptação, por sua vez, corrigiu a principal deficiência: a subcontagem sistemática de cenas densas. Isso é crítico, pois é justamente em cenas densas que começa a formação de esmagamentos, e a subestimação dos dados pode levar a uma tragédia.
Quando a adaptação pode enganar
Os autores também analisam honestamente as limitações da abordagem. Eles testaram um modo especial usando clipes longos de 300 quadros com intervalo de 200 ms — cinco vezes mais amplo que o padrão. Descobriu-se que, nesse modo, o sinal de adaptação é explicado não pelo fluxo real de pessoas, mas por uma simples normalização dos dados. O resíduo de continuidade quase não reage a erros proporcionais de contagem, que são exatamente os que surgem da mudança de domínio. Isso foi confirmado por quatro ablações: a correlação entre o sinal e o fluxo real foi de 0,999, e distorcer 40% dos dados de entrada alterou a precisão em apenas 0,05 de MAE. Conclusão: só se pode confiar na adaptação quando seu funcionamento é realmente condicionado pelo fluxo, e não por artefatos de processamento.
Por que apenas "medir a mudança" não é suficiente
Muitos sistemas tentam estimar a magnitude da mudança de domínio e, com base nisso, decidir quando ativar a adaptação. Os autores mostraram que essa abordagem não funciona. Eles construíram um portão de mudança sem anotação e descobriram que a magnitude da mudança e o dano real à precisão quase não se correlacionam por classificação (Spearman rho=0,20). Entre mudanças reais, a correlação é até negativa (rho=-0,60). Isso significa que um portão orientado pela magnitude da mudança deixa passar até 58% dos casos em que a adaptação poderia ajudar e, inversamente, é ativado onde não é necessário. Por isso, os autores propõem uma política de adaptação incondicional com monitoramento das caudas da distribuição — observar não a mudança média, mas os desvios raros e perigosos.
Protocolo de implantação em seis pontos
Com base em todos os experimentos, os autores formularam um protocolo prático para implementação. Ele inclui seis etapas — da validação em resolução total à verificação dos módulos de risco em episódios reais de superlotação. Esse módulo funcionou em dois dos seis clipes de longa-metragem com sobrecargas reais. O protocolo também exige determinar antecipadamente quais métodos de adaptação são aceitáveis para cada tipo de filmagem e verificar se a normalização não está mascarando o sinal real de densidade.
Em suma, a pesquisa mostra que a contagem de multidões com drones sem anotação já não é teoria, mas prática de engenharia. Mas, para que o sistema funcione em uma escala como a de grandes eventos internacionais, são necessários não apenas modelos precisos, mas também procedimentos bem elaborados de validação e implantação. É exatamente essa abordagem — da estatística a protocolos concretos — que permite transformar algoritmos em uma ferramenta confiável de segurança para eventos de massa.
